Un robot autonome de nettoyage (AV) a percuté un train lors d'une opération de routine. L'incident, loin d'être une défaillance mécanique, a révélé une vulnérabilité critique dans les systèmes de perception. L'analyse ultérieure, réalisée par simulation 3D avec RoboGuide, CloudCompare et Blender, a démontré que la géométrie de la vitre du train générait des occlusions sur les capteurs LiDAR, créant des angles morts que le logiciel de navigation n'a pas pu anticiper.
Analyse d'occlusion LiDAR par la géométrie de la vitre 🚆
L'équipe d'ingénierie a recréé le scénario dans RoboGuide, en important un modèle 3D du train et du robot. En utilisant CloudCompare pour l'analyse des nuages de points, il a été détecté que l'angle d'incidence des rayons LiDAR sur les surfaces de verre courbe du train provoquait des réflexions spéculaires. Cela générait des zones d'ombre ou des vides de données dans des régions clés, comme les bords latéraux et les jonctions des panneaux. Dans Blender, la trajectoire du robot a été visualisée et la carte d'occlusion a été superposée, confirmant que le capteur n'enregistrait pas la présence de l'obstacle au moment de l'impact. La défaillance n'était pas matérielle, mais relevait de l'interprétation géométrique de l'environnement.
Leçons pour l'étalonnage et la conception des itinéraires 🤖
La solution ne consiste pas seulement à ajouter plus de capteurs, mais à repenser l'étalonnage et la planification des itinéraires. La simulation 3D permet de reproduire ces conditions d'occlusion et d'ajuster les champs de vision ou d'inclure des points de vérification redondants. Dans ce cas, il a été proposé de reconcevoir la trajectoire de nettoyage pour inclure un balayage latéral préalable, et de recalibrer le LiDAR pour filtrer les faux positifs dus aux reflets. La leçon est claire : dans les environnements avec des surfaces hautement réfléchissantes, la simulation doit précéder la mise en œuvre pour éviter des collisions évitables.
Comme la simulation 3D a permis d'identifier des angles morts dans le robot de nettoyage que le capteur LiDAR n'a pas détectés, quelles leçons ce cas offre-t-il pour améliorer la redondance sensorielle dans les systèmes de navigation autonome ferroviaire ?
(PS : Simuler des robots est amusant, jusqu'à ce qu'ils décident de ne pas suivre vos ordres.)